Microsoft’un üç yeni MAI modeli sesli yapay zekâ uygulamalarını nasıl değiştirebilir?

Microsoft’un yeni MAI ses modelleri, sesli bir etkileşimin iki temel parçasını kapsıyor: MAI-Transcribe-2-Streaming canlı konuşmayı yazıya çeviriyor; MAI-Voice-2.1 ve MAI-Voice-2.1-Flash ise metinden ses üretiyor. Sesli asistan geliştiren yazılımcılara yönelik üç model de Microsoft Foundry’de herkese açık önizleme olarak sunuluyor. 3639

Modeller kısaca

Model	Temel işlev	Bildirilen dil desteği	Bildirilen fiyat
MAI-Transcribe-2-Streaming	Konuşma devam ederken metni parça parça oluşturma	Otomatik dil algılamayla 60 dil	2026 sonuna kadar tanıtım fiyatı olarak ses saati başına 0,54 ABD doları 435
MAI-Voice-2.1	Duygulu ve ifade gücü yüksek metinden sese üretimi	23 dil	Milyon karakter başına 22 ABD doları 3536
MAI-Voice-2.1-Flash	Hızlı yanıt gereken uygulamalar için metinden sese üretimi	Ses modelleri için 23 dil bildiriliyor	Milyon karakter başına 15 ABD doları 3536

Bunlar kaynaklarda bildirilen fiyatlar; fiyatların veya erişim koşullarının değişmeyeceği anlamına gelmiyor. Özellikle transkripsiyon modelinin 0,54 dolarlık ücreti geçici tanıtım fiyatı olarak belirtiliyor. 435

MAI-Transcribe-2-Streaming: konuşma sürerken yazıya dökme

Konuşmacının cümlesini bitirmesini bekleyen sistemlerden farklı olarak MAI-Transcribe-2-Streaming, ses geldikçe metin güncellemeleri gönderiyor. Sürekli ses akışını WebSocket üzerinden alıyor; model listelemesine ilişkin haberlere göre 60 dil arasından konuşulan dili otomatik olarak algılıyor. 1

Gecikme için aktarılan ölçümler aynı şeyi ölçmüyor. Bir haberde modelin ses verisini aldıktan 100 milisaniyeyi biraz aşan bir sürede ilk kısmi sonucu verebildiği belirtiliyor; başka bir haberde ise kelimelerin söylendikten yaklaşık 320 milisaniye sonra görünmeye başladığı aktarılıyor. Başlangıç noktaları farklı olduğu için bu iki süreyi doğrudan karşılaştırmak doğru olmaz. 24

Artificial Analysis’in akış hâlindeki transkripsiyon kıyaslamasında modelin doğrulukta ilk sırada yer aldığı bildiriliyor. Bir habere göre 38 model arasındaki değerlendirmede nihai kelime hata oranı yüzde 2,5. Bu, belirli bir kıyaslama testinin sonucu; her dilde, kayıt koşulunda veya uygulamada aynı doğruluğun sağlanacağı anlamına gelmiyor. 34

Listelenen tanıtım fiyatı, 2026 sonuna kadar ses saati başına 0,54 ABD doları. Modeli değerlendiren geliştiricilerin bunun süreli bir fiyat olduğunu hesaba katması gerekiyor. 435

MAI-Voice-2.1 ve Flash: metni sese çevirme

Her iki model de metinden konuşma sesi üretiyor; aralarındaki temel fark öncelik. MAI-Voice-2.1 daha ifade gücü yüksek bir seçenek olarak tanımlanırken Flash, yanıt bekleme süresinin önemli olduğu uygulamalar için daha hızlı sürüm olarak konumlandırılıyor. Ses modelleri için bildirilen dil desteği 23 dil. 63536

Bildirilen fiyatlar MAI-Voice-2.1 için milyon karakter başına 22, Flash içinse 15 ABD doları. Bir haberde Flash’ın 150 milisaniye gecikmeyle 45 saniyelik ses üretebildiği aktarılıyor. Bu değeri, her uygulamada uçtan uca yanıt süresini gösteren evrensel bir ölçüm olarak değil, bildirilen bir sonuç olarak değerlendirmek gerekir. 3536

Mevcut haberlerde ses kalitesini doğrudan karşılaştıran ortak bir kamuya açık kıyaslama puanı bulunmuyor. Transkripsiyon modelinin doğruluk sıralaması, ses üreten iki modelin de sıralaması olarak yorumlanmamalı. 3234

Geliştiriciler neye erişebiliyor, duyuru ne ifade ediyor?

Üç modelin de Microsoft Foundry üzerinden herkese açık önizlemede sunulduğu bildiriliyor. Önizleme, geliştiricilere modelleri deneme olanağı sağlıyor; ancak genel kullanıma açıldıkları anlamına gelmiyor. 36

Geliştiriciler açısından yenilik, Microsoft’un sesli asistan iş akışında hem konuşmayı tanıma hem de konuşma üretme bileşenlerini kendi modelleriyle sunması. Bu, ses katmanının daha büyük bir bölümünü Microsoft’un geliştirici ekosistemi içinde kurmayı ve söz konusu bileşenler için başka sağlayıcılara başvurma ihtiyacını azaltmayı kolaylaştırabilir. Ancak bu modeller, eksiksiz bir sesli asistanın başka hizmetlere ihtiyaç duymadan çalışacağını göstermiyor: akıl yürütme, orkestrasyon ve diğer işlevler için farklı model veya hizmetler hâlâ gerekebilir. 639

Kısaca

En somut karşılaştırma verileri transkripsiyon modelinde: 60 dil desteği, konuşma sürerken kademeli metin üretimi ve Artificial Analysis’te bildirilen birincilik sıralamasının yanı sıra yüzde 2,5’lik nihai kelime hata oranı. İki ses modeli ise ifade gücü ile hız arasında seçim sunuyor; her ikisi için 23 dil desteği ve karakter başına farklı fiyat bildiriliyor. Üretim ortamında karar vermeden önce güncel önizleme erişimini, fiyatları ve kendi kullanım senaryonuzdaki gecikmeyi doğrulamakta fayda var. 1343536